傳統物流公司加上AI技術之後，在運送效率提升及運輸成本下降等效益大大提升，尤其是醫材轉運更涉及醫院及病患的服務時效及權益，透過智慧物流的建置，可為醫材業者節省投入建構GDP倉、配多達千萬元之成本。 國內重要物流領導廠商-新竹物流HCT擁有3,500輛車隊、6萬坪倉儲，提供物流、商流、金流、資訊流、流通、倉儲、加工之客製化物流解決方案。每日貨件處理件數達58萬件，最大處理能力每日可達90萬件，轉運效能的提升對於新竹物流而言，至關重要。 醫院醫材運送 需優化現有作業流程與提升系統化、智慧化 尤其是醫院醫材的運送，也面臨到難題。醫材業者需要針對客戶不同產品需求、不同溫層需求、不同配送時效等因素，透過多家物流業者進行出貨與物流作業，高度依賴作業人員的經驗與細心管制，無論是產品出貨過程與實際物流配送過程，需要環環相扣，若有任何人工失誤與錯誤，都會影響醫院與病患的服務時效與權益，因此各家業者與政府及醫院等，都致力於優化現有作業流程與提升系統化、自動化與智慧化程度，以有效降低服務過程中造成的失誤及成本損失。 新竹物流導入AI之前的配送流程。 現行在醫院需求端已有相關業者配合政府推動相關標準化平台作業，透過供應端業者的資料協同作業，改善產品出貨正確性與作業時效，提升需求端的作業品質與管理效益；同時，部分業者也投入企業內部作業流程標準化與系統化，提升業者營運效能與品質。 在貨運物流端方面，物流業者的倉庫出貨人員需要耗費人工進行管控不同的物流出貨作業安排，若因常常接到緊急任務通知，要出貨到醫療院所，往往需要依賴小型區域性物流業者來提供客製化配送服務，除配送時效提升外，並無法導入整合性的資訊化服務。 新上路的GDP醫材法規規範運銷品質，也就是醫材供應商必須進行GDP合規認證，必須導入符合GDP法令規範之倉儲與物流服務業者，如此一來，區域性小型公司將被淘汰，因此，新竹物流透過經濟部工業局的AI輔導計畫案協助，除延伸既有GDP符合法令的倉儲物流服務外，將進一步利用相關數據整合與最佳化AI技術，協助醫材業者簡化改善物流配送最佳化作業。 複雜的物流難題 運用Simulated AnnealingSA演算法求解 為能滿足新的「醫療器材優良運銷準則」中對於醫療器材優良運銷系統建構的要求，新竹物流除了積極導入新式物流車，更將導入人工智慧中數學最佳化技術，以協助公司在每日全國營業據點以及轉運站進行智慧班次排程規劃，期望以最佳化的車班進行醫材在營業據點間的對開，或是區域間的轉運，以提高醫材在運銷過程中的效率。 目前醫材在新竹物流的轉運過程中，使用可分離式拖車頭與貨櫃。每個營業所及轉運站由於區位與幾何設計不同，以及人員數量不同，單位時間內的吞吐量也有差異；再加上每天的貨況大小、目的地皆不相同，面對無法確定且需求不同的變化，拖車頭及貨櫃的派遣狀況便隨之改變。 在此情況下，新竹物流僅能根據以往的經驗來進行各個衛星所之發車班表，並根據此班表視每日不同變化之貨物需求量進行調整。 因為是根據經驗法則進行排班，所以，班表往往不能兼顧全盤的變化與考量，使得目前發車班表仍然存在著可以改善的空間。。 貨物遞送規劃本質上為一NP-Hard難題，因此難以用傳統的解析解法，新竹物流結合奇點無限公司採用Simulated AnnealingSA演算法進行求解。 新竹物流導入的新物流服務為「GDP櫃班次規劃」。所謂的班次規劃，指的是根據未來對於站所間醫材貨件的預估量，進行站所間貨櫃車班的班表規劃，目的是讓醫材能夠如期如質抵達，並且讓新竹物流在場站作業、車輛數、行駛里程得到最高的效益。 新竹物流導入AI最佳化班次規劃，從其起點至終點間建構出一條最有效率的運送路線。 新竹物流導入「最佳化班次規劃」服務 降低5運輸成本 導入方式是利用雲端軟體服務，由新竹物流定期輸入站所間醫材貨件之「交互件數表」至「最佳化班次規劃」服務後，設定好演算參數即可產生GDP櫃班次表。同時發展新竹物流醫材班表系統，使新竹物流醫材運務單位能透過交互件數表編制適合班表。在相同服務水準的前提下，預估可降低運輸成本5，為醫材業者節省下建構GDP倉儲、配輸成本達千萬元。 醫材由於其對於衛生、溫度的要求，以及其易碎性等特色，因此運輸與轉運的時間越少越好，越少時間暴露在外，則醫材配曝險程度越低，然而由於仍須考量物流效率與成本。AI將每個需要運送的貨物，從其起點至終點間建構出一條最有效率的路線，即可有效率地完成每日的運務作業。 因應未來產業物流高度發展需求，其中配送與轉運AI最佳化將是關鍵議題，透過本計畫將成立專案推動組織，配置AI技術、IT與流程領域人才，累積落地經驗後，逐步擴大AI實際應用場域，全面優化轉型新竹物流的營運體系，並結盟AIOT與各領域AI夥伴加速與擴大效益之達成。

近2,000個在田間蹲點的日子，讓悠由數據應用公司成為台灣在農業數據領域的佼佼者，對於農作物產量、產期與價格的全盤掌握，更讓它做到能與聯合國合作，服務農地面積在短短不到3年，從24公頃擴展至超過6000公頃，飆漲250倍。對於悠由數據應用創辦人兼總經理吳君孝而言，因應全球環保趨勢，成為氣候科技X綠色經濟的數據公司，並服務全球市場，是他創業的終極目標。 工程師出身的吳君孝，在2010年進入資策會，成為涵養他深厚技術與資料科學分析實力的重要沃土，讓他練就一身功夫，得以大展拳腳。「當時，我在做資料分析工程的工作，會內幾乎所有的數據相關資料都會匯集到我這邊，加上那時執行過室內栽培箱，要種菜、種香菇，因此，農業結合數據分析就此埋下創業的種子」。 吳君孝自2016年起，就常常到農場內「蹲點」，跟農民、農改場人員聊天、交換情報，系統性地大量交換資訊，讓吳君孝的農業Know-How快速建立。 堅實的數據分析技術能量 連聯合國都買單 2017年，他離開資策會自行創業，並於2019年創立悠由數據應用公司，目前許多農企業皆是他的客戶，服務的栽種面積從24公頃快速攀升至逾6,000公頃， 2022年可望超過7,000公頃。客戶遍及海外，包括日本、中美洲市場，甚至聯合國下轄機構-世界農民組織，都使用悠由數據支持的「悠由農作物演算系統」。 悠由數據應用公司究竟是如何做到連聯合國機構都買單 悠由數據應用建置的「悠由農作物演算系統」，準確預測產期產量與價格。 首先，由於吳君孝對農業數據的精準掌握，悠由數據應用的客戶不見得要用到感測器Sensor等硬體設備，「感測器成本高，若購買便宜的設備，反而蒐集一大堆雜訊或錯誤數據，完全派不上用場」。吳君孝接著說，蒐集數據不一定要使用感測器，透過我們的數據解決方案可以更直接有效的解決問題。 例如，悠由數據應用的產品之一-悠由金錢報農產價格Linebot，係2020年與LINE合作，蒐集產地、批發、終端價格長達10年以上的數據，由悠由數據自主研發AI演算法，讓系統自主學習農產品交易價格，更以大數據與人工智慧分析進行價格預測分析，協助採購商降低交易風險，讓數據不止於生產端，更擴大應用至農產供應鏈。 以香蕉價格來說，預測價格的準確率從原本70拉高至998。吳君孝指出，不管採購商或農民，對於價格都十分敏感，現在透過悠由金錢報服務，無論是採購商或農民，都能很精準了解農產品價格波動情況。悠由數據也能針對預測作物生長情況、產量、價格預估模型等，向客戶做出最佳的決策建議。目前價格預測可達28種農作物。 精準預估產期及價格波動 悠由數據靠數據分析做出差異化服務 悠由數據應用公司所提供的「悠由農作物演算系統」內建「參數庫」，通常會搜集200～300種參數，不光是溫度、濕度等比較直觀的數據，還會依作物生理的特性去切分。透過有效動態數據的演算法，可以精準估算農作物何時會開花、何時能收成，產量是多少等。如青花菜產期預測準確率為0-4天，開花期預測今年實際使用上是0天，與現場開花時間完全吻合。而在動態的計算當中7天內都是合理範圍，悠由數據的誤差值平均在2-4 天，大多數作物產期準確率均在80以上。 透過有效動態數據演算法，全球超過120種作物可精準預估產期產量及價格。 透過有效動態數據的演算法，可以設定預估產量多少，協助在生產端做調整，悠由數據應用的客戶多以外銷的水果作物為主，如鳳梨、香蕉、芭樂、芒果、文旦、鳳梨釋迦、小番茄、洋香瓜、西瓜、玉荷包，荷蘭豆、毛豆等，尤其是毛豆，佔台灣外銷第一，種植面積達400多公頃。全球120多種作物、超過600個品種都可以適用此套系統。 台灣農業生產同質性高，容易造成一窩蜂搶種，導致價格崩跌，悠由數據應用要幫助客戶做出差異化，因此，吳君孝將公司定位在精緻的數位顧問，所採取的策略是慎選客戶，重質不重量。他分析，台灣的農業客戶著重的是如何提升良率，甚至將良率分級，規格品質均佳，走精緻化的高階外銷市場；國外客戶重視的是如何提升單位產量，國內外的操作方式有別。 除了農作水果外，悠由數據應用也將服務觸角延伸至漁業，包括虱目魚、金目鱸、白蝦等，均使用同一套系統，將各種跟魚蝦生長有關的參數建立起來，何時下料、何時收成，產量多少等，藉此預測產期、產量及價格。 悠由數據應用善用數據力量，創造智慧農業奇蹟。 因應公司的高速發展，悠由數據應用於2021年引進創投資金，進行人員擴充與業務推展。吳君孝表示，因應全球2050年淨零碳排趨勢，未來也計畫將協助客戶在土壤中種碳，有效將碳保留在土地上，同時引介客戶對接碳交易平台，與客戶共創環保商機。 吳君孝表示，剛開始創業時就將公司定位為全球化公司，因此，與國際合作的方案將不斷推出。而成為氣候科技X綠色經濟的數據公司服務全球，這是吳君孝對自己的期許及公司的長遠目標。 悠由數據應用創辦人兼總經理吳君孝

2017年，iPhone X的亮相讓提供 Face ID人臉解鎖的3D感測技術成為大熱門，也帶動了3D感測模組中的核心零元件VCSEL的發展。而VCSEL封裝元件入料瑕疵檢測，若透過AI推論模型可解決良率偏低產業難題，提升可靠度達95。 VCSEL技術現階段可被運用於諸多用途和各類終端消費市場，包括機器人、移動設備、監控、無人機，以及ARVR等。VCSEL在需求高速調製功能的應用（例如照相機和生物計量）中堪稱為不錯的解決方案。 VCSEL技術應用層面廣，也可應用於無人機。圖為佐翼科技農用無人機 VCSEL技術應用層面廣 AI技術助攻瑕疵檢測 赫銳特科技表示，VCSEL封裝元件市場也面臨到商業對手強力的削價競爭，需要進一步降低成本提升、產品競爭力，其中一個關鍵的難題就是將玻璃透鏡更換為環氧樹脂型透鏡。傳統玻璃透鏡的生產良率高，但成本較環氧樹脂透鏡高，因環氧樹脂經切割製程，側壁切割道上容易會有毛邊，造成尺寸過大，容易在打件時因為受熱而產生的應力釋放，將會直接導致光學透鏡破裂。 赫銳特科技指出，VCSEL環氧樹脂透鏡的入料檢測十分重要，在封裝空間的限制下，封裝與光學透鏡貼合的空間有限，且此光學透鏡會被侷限於一金屬框架內，若是沒有控管好尺寸公差，很容易在打件時因為受熱而產生的應力釋放會直接導致光學透鏡破裂，造成VCSEL封裝可靠度驗證良率損失最高達到10，造成生產成本增加。 為解決上述問題，赫銳特科技希望在VCSEL環氧樹脂透鏡的入料階段，可以藉由AI影像監控環氧樹脂元件的尺寸及外觀瑕疵，確認其尺寸是否合乎規格、切割邊緣是否平整、外觀是否瑕疵等。由於傳統的入料檢測，經通過大略的人眼目檢分辨好壞，為順利收集影像數據，首先需要解決影像蒐集的問題。 因此，赫銳特科技首先建立自動光學檢測裝置Automated Optical Inspection，AOI，自動光學檢測裝置包含X、Y、Z三軸動及高解析相機，及相關控制軟體自動記錄影像。蒐集完成後的影像資料，經opencv將測試影像Test與一標準正常影像Normal，進行影像對位後取出Test與Normal影像的差異部分，並可經由Pixel Mapping計算影像的像素面積進行比較完成初步篩檢。 承上之影像分類，進行手動標籤標示包含：正常、外觀瑕疵或形狀特徵差異之樣品，後進行演算法訓練與驗證，使用深度殘差網絡Residual neural network ResNet或其他相關演算法進行深度學習，以辨識出透鏡的優劣情形。 導入AOI檢測 提升產能效率達20以上 比較導入AI影像檢測的前後差異，導入前的VCSEL入料透鏡檢測，僅透過簡易的人工外觀檢測，將透鏡封裝在已固晶的VCSEL封裝體上，通過一般點亮檢測後，最後進行可靠度測試高溫回焊，失效樣品進再入重工流程。 但在導入AOI檢測之後，可提前將有問題的透鏡篩選出來，除了可以降低後續物料投入的成本，亦可減少失效情形降低重工的需要，因而提升可靠度驗證良率達95以上，預期可協助場域業者降低生產成本達10，提高產能效率達20以上。 導入AI影像檢測的前後之差異 赫銳特科技指出，這項技術是基於微小影像開發的AI應用技術，透過深度學習演算法辨識影像瑕疵，用來辨識瑕疵影像。而訓練後的網路來自動分類對應於預定類別的影像數據。透過參考影像就能辨識缺陷類別，因此不再需要繁瑣的編程。 而在工業機器視覺環境中，深度學習主要用於應用中的分類任務，例如在工業產品的檢驗或零件的辨識，未來隨著IOT穿戴裝置的發展，符合節能省電的潮流議題，光電元件尺寸將不斷的縮小，本技術未來也可應用在其他微小光電元件的外觀瑕疵檢測。